| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究的意义和背景 | 第11-14页 |
| 1.1.1 人脸方向检测研究意义 | 第11-13页 |
| 1.1.2 基于iOS的人脸美丽评价应用 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 本文主要内容与安排 | 第17-19页 |
| 第二章 深度学习相关理论介绍 | 第19-36页 |
| 2.1 引言 | 第19页 |
| 2.2 人工神经网络 | 第19-21页 |
| 2.3 反向传播算法 | 第21-24页 |
| 2.3.1 前向反馈 | 第21-22页 |
| 2.3.2 反向传播 | 第22-24页 |
| 2.4 几种深度学习网络 | 第24-27页 |
| 2.4.1 深度置信网络 | 第24-25页 |
| 2.4.2 层叠自编码器 | 第25-26页 |
| 2.4.3 深度递归神经网络 | 第26-27页 |
| 2.5 卷积神经网络 | 第27-34页 |
| 2.5.1 局部连接 | 第28-29页 |
| 2.5.2 权值共享 | 第29页 |
| 2.5.3 卷积神经网络的结构 | 第29-33页 |
| 2.5.4 梯度计算 | 第33-34页 |
| 2.6 本章小结 | 第34-36页 |
| 第三章 基于卷积神经网络的人脸方向检测 | 第36-48页 |
| 3.1 引言 | 第36-37页 |
| 3.2 人脸数据库介绍 | 第37-38页 |
| 3.3 基于CNN的人脸方向分类 | 第38-39页 |
| 3.3.1 数据预处理 | 第38页 |
| 3.3.2 网络结构 | 第38-39页 |
| 3.4 基于CNN的人脸方向回归 | 第39-41页 |
| 3.4.1 数据预处理 | 第40页 |
| 3.4.2 网络模型 | 第40-41页 |
| 3.5 基于多任务卷积神经网络的人脸方向检测 | 第41-43页 |
| 3.5.1 数据预处理 | 第42页 |
| 3.5.2 网络结构 | 第42-43页 |
| 3.6 实验结果及分析 | 第43-47页 |
| 3.6.1 人脸方向分类（FOC-CNN）模型 | 第43-45页 |
| 3.6.2 人脸方向回归（FOR-CNN）模型 | 第45-46页 |
| 3.6.3 多任务人脸方向（FOMt-CNN）模型 | 第46-47页 |
| 3.7 本章小结 | 第47-48页 |
| 第四章 基于iOS的人脸美丽评价系统—“颜值达芬奇”设计与实现 | 第48-67页 |
| 4.1 引言 | 第48页 |
| 4.2 iOS相关知识介绍 | 第48-58页 |
| 4.2.1 iOS系统及框架介绍 | 第49-51页 |
| 4.2.2 iOS的开发环境介绍 | 第51-52页 |
| 4.2.3 开发语言 | 第52页 |
| 4.2.4 内存管理机制 | 第52-53页 |
| 4.2.5 消息传递方式 | 第53-55页 |
| 4.2.6 MVC设计模式 | 第55-57页 |
| 4.2.7 iOS应用程序的生命周期 | 第57-58页 |
| 4.3 “颜值达芬奇”的功能设计 | 第58-59页 |
| 4.4 打分模块的实现 | 第59-62页 |
| 4.5 社交化模块的实现 | 第62-64页 |
| 4.5.1 “颜值排行榜”模块 | 第62-63页 |
| 4.5.2 “随便看看”模块 | 第63-64页 |
| 4.5.3 “我的相册”模块 | 第64页 |
| 4.6 其他模块的实现 | 第64-66页 |
| 4.6.1 启动界面 | 第64-65页 |
| 4.6.2 登录与注册 | 第65-66页 |
| 4.7 本章小结 | 第66-67页 |
| 第五章 “颜值达芬奇”的性能分析与优化 | 第67-74页 |
| 5.1 Instruments性能检测工具 | 第67页 |
| 5.2 数据持久化 | 第67-70页 |
| 5.2.1 数据的存储和管理 | 第67-69页 |
| 5.2.2 图片的缓存机制 | 第69-70页 |
| 5.3 内存优化 | 第70-71页 |
| 5.4 运行速度分析 | 第71页 |
| 5.5 和其他有关应用软件的对比 | 第71-72页 |
| 5.6 本章小结 | 第72-74页 |
| 总结与展望 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82-83页 |
| 致谢 | 第83-84页 |
| 附表 | 第84页 |